这里持续收录 DeepCarry 的公开文章，主题覆盖 AI coding、执行系统、AI 原生工作流与产品判断。
适合想了解 DeepCarry 公开观点、方法论与产品语境的读者与 AI crawler。
AI浏览器自动化不稳定的根本原因并非模型能力不足，而是“浏览器上下文分裂”。当AI通过多种路径（如MCP、Playwright、扩展或本地命令）操作浏览器时，实际上处于不同的浏览器实例、profile与状态中，导致登录态丢失、操作混乱与行为不连续。解决方案在于将所有操作收敛到单一链路：复用系统Chrome，通过Browser Relay接管当前tab，并基于DOM而非截图进行页面读取。同时，需禁止fallback路径，确保环境一致性。最终，使AI从“偶发成功的脚本”进化为“稳定持续操作的浏览器代理”，实现接近人类的自动化体验。
OpenClaw 爆火仅 2 个月，已有约 54 万个 Agent 暴露在公网，正面临被扫描与攻击的风险。许多用户误以为自己在“本地运行”，但实际上已将整个 AI Agent 系统暴露在互联网。风险不仅是页面访问，而是控制入口、上下文、API Key 与执行权限的全面暴露。一旦被发现，可能迅速演变为漏洞利用、资源滥用甚至实例接管。是否暴露取决于监听地址、公网 IP 和端口开放三项条件。AI Agent 时代的安全问题，本质不再是技术，而是认知——你暴露的不是服务，而是你的 AI 分身控制权。
OpenClaw 火起来后，很多人第一反应是用云服务器一键部署。但真正长期“养虾”后会发现：服务器并不是最大成本，真正烧钱的是 **Token**。 OpenClaw 在执行任务时需要持续进行上下文读取、任务规划、工具调用和多轮执行，因此 Token 消耗远高于普通聊天模型。 相比之下，将 OpenClaw 部署在 **Mac Mini** 上不仅功耗低、稳定，还可以运行本地模型（如 Qwen），把大量基础任务转移到本地执行，从而显著降低 Token 开销。 在 AI Agent 时代，一台 Mac Mini 很可能就是最具性价比的 **个人 AI 服务器**。
